論文の概要: Smart charging of large fleets of Electric Vehicles: Independent Multi-Agent Reinforcement Learning approaches

• arxiv url: http://arxiv.org/abs/2606.31347v1
• Date: Tue, 30 Jun 2026 08:43:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.144483
• Title: Smart charging of large fleets of Electric Vehicles: Independent Multi-Agent Reinforcement Learning approaches
• Title（参考訳）: 大型電気自動車のスマート充電:独立型マルチエージェント強化学習アプローチ
• Abstract要約: この研究は、分散EV充電を最適化するための2つの独立したマルチエージェント強化学習手法と比較する。 局地的な環境情報に基づいて意思決定を行う自律エージェントを用いた現実的なシミュレーション環境を用いて,その性能を様々な混雑レベルにわたって評価する。
• 参考スコア（独自算出の注目度）: 3.0107900780979313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The electrification of transportation through electric vehicles introduces new challenges for power grid management, such as increased peak demand, voltage fluctuations, line overloads, and the integration of variable renewable energy sources. To enable efficient integration of EVs while minimizing costs for users and avoiding network overloads, implicit coordination between EVs is required. This work compares two independent multi-agent reinforcement learning approaches for optimizing such decentralized EV charging: contextual combinatorial bandits and policy gradient algorithms. Using a realistic simulation environment with autonomous agents making decisions based on local environmental information (including price signals, state-of-charge, and temporal constraints), we evaluate their performance across varying congestion levels, and mixed-strategy configurations with heterogeneous agent groups under dynamic electricity pricing derived from real photovoltaic production data.
• Abstract（参考訳）: 電気自動車による輸送の電化は、ピーク需要の増加、電圧変動、ライン過負荷、可変再生可能エネルギー源の統合など、電力グリッド管理に新たな課題をもたらす。 利用者のコストを最小化し、ネットワーク過負荷を回避するとともに、EVの効率的な統合を実現するためには、EV間の暗黙の調整が必要である。 この研究は、これらの分散EV充電を最適化するための2つの独立したマルチエージェント強化学習アプローチ(文脈組合せ帯域とポリシー勾配アルゴリズム)を比較した。 局所的な環境情報(価格信号、充電状態、時間的制約を含む)に基づいて意思決定を行う自律エージェントによる現実的なシミュレーション環境を用いて、実際の太陽光発電データから得られる動的電力価格の下で、異種エージェント群との混合ストラテジー構成と、様々な混雑レベルにおけるそれらの性能を評価する。

関連論文リスト

• Safe Decentralized Operation of EV Virtual Power Plant with Limited Network Visibility via Multi-Agent Reinforcement Learning [6.02092443563717]
  分散型エネルギー資源(DER)の急激な成長を加速させる再生可能エネルギー 本研究では、現実的な情報制約下で複数のEVCSを協調する安全強化されたVPPフレームワークを提案する。 現実的な33バスPDN実験により,提案手法は電圧違反を約45%削減し,運転コストを約10%削減することを示した。
  論文  参考訳（メタデータ） (2026-03-24T10:27:56Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• A Generative Model Enhanced Multi-Agent Reinforcement Learning Method for Electric Vehicle Charging Navigation [6.326967507936191]
  本稿では,EVのローカル情報のみを利用する新しい生成モデル拡張型マルチエージェントDRLアルゴリズムを提案する。 実験の結果,提案アルゴリズムは局所的な情報に依存し,既存の局所的な情報に基づく手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-27T13:24:51Z)
• Centralized vs. Decentralized Multi-Agent Reinforcement Learning for Enhanced Control of Electric Vehicle Charging Networks [1.9188272016043582]
  本稿では,MARL(Multi-Agent Reinforcement Learning)フレームワークを用いた分散・協調型充電戦略の新たなアプローチを提案する。 本手法は, 住宅街におけるEV群を対象としたDDPGアルゴリズムに基づいて構築した。 以上の結果から, CTDE-DDPGフレームワークは, 政策のばらつきや訓練の複雑さが高いにもかかわらず, 総変動率を約36パーセント, 充電コストを平均9.1程度削減することにより, 充電効率を著しく向上させることが示唆された。
  論文  参考訳（メタデータ） (2024-04-18T21:50:03Z)
• Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms [49.37592437398933]
  電気自動車充電ステーション(EVCS)は、グリーントランスポートの実現に向けた重要なステップとなる。 我々は、攻撃者がスマート充電操作中に交換された情報を操作しているEV充電に対する充電操作攻撃(CMA)を調査した。 本稿では,EV充電に関わるパラメータを監視してCMAを検出する,教師なしのディープラーニングに基づくメカニズムを提案する。
  論文  参考訳（メタデータ） (2023-10-18T18:38:59Z)
• An Efficient Distributed Multi-Agent Reinforcement Learning for EV Charging Network Control [2.5477011559292175]
  本稿では,EV所有者のプライバシ保護を優先する分散マルチエージェント強化学習(MARL)充電フレームワークを提案する。 その結果、CTDEフレームワークは、ネットワークコストを削減し、充電ネットワークの性能を向上させることを示した。
  論文  参考訳（メタデータ） (2023-08-24T16:53:52Z)
• Federated Reinforcement Learning for Real-Time Electric Vehicle Charging and Discharging Control [42.17503767317918]
  本稿では、動的環境下で異なるEVユーザに対して最適なEV充電/放電制御戦略を開発する。 多様なユーザの行動や動的環境に適合する水平連合強化学習法(HFRL)を提案する。 シミュレーションの結果,提案したリアルタイムEV充電/放電制御戦略は,様々な要因において良好に機能することが示された。
  論文  参考訳（メタデータ） (2022-10-04T08:22:46Z)
• An Energy Consumption Model for Electrical Vehicle Networks via Extended Federated-learning [50.85048976506701]
  本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。 バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
  論文  参考訳（メタデータ） (2021-11-13T15:03:44Z)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。